Technological and scientific advances have made it compulsory to visualize and analyze datasets of different structures and sizes. The graphics used in data visualization are applied for exploratory purposes, both in terms of definition and analysis. Graphs are also used to reveal structures and phenomena in datasets such as time, space, flow, relationships, uncertainty, and hierarchy. The datasets used in today's research not only contain structural datasets consisting of nominal, ordinary, and/or numerical variables (mixed datasets), but also contain semi-structural or non-structured data sets. Numerous studies in the literature have demonstrated the effectiveness of evolutionary neural networks in these datasets. This study suggests a method to train evolutionary neural networks to apply the transfer learning method to structural datasets. To this end, the proposed approach was applied to nine structural datasets used in various literature studies, comparing the measured success of the networks with other studies in the literature that studied the same data sets and achieving better results.
Teknolojik ve bilimsel gelişmeler, farklı yapı ve boyuttaki veri setlerini görselleştirmeyi ve analiz etmeyi zorunlu hale getirmiştir. Veri görselleştirmede kullanılan grafikler hem tanımsal hem de analizleri destekleyici olarak keşifsel amaçlarla uygulanmaktadır. Grafikler, veri setlerindeki zaman, mekân, akış, ilişki, belirsizlik ve hiyerarşi gibi yapı ve olguları ortaya çıkarmak için de kullanılmaktadır. Günümüz araştırmalarında kullanılan veri setleri sadece nominal, ordinal ve / veya nümerik değişkenlerden (karma veri seti) oluşan yapısal veri setlerini içermemekte, yarı yapısal ya da yapısal olmayan veri setlerini de barındırmaktadır. Söz konusu veri setlerinde evrişimli sinir ağlarının başarısı literatürdeki birçok araştırmayla kanıtlanmıştır. Bu çalışma, yapısal veri setleri üzerinde evrişimli sinir ağlarını transfer öğrenme yöntemi ile eğiterek uygulayabilmek için bir yöntem önermektedir. Bu amaç doğrultusunda, literatürde çeşitli araştırmalarda kullanılan dokuz adet yapısal veri seti üzerinde önerilen yaklaşım uygulanarak, ağların ölçülen başarısı aynı veri setleriyle çalışılan literatürdeki diğer çalışmalarla karşılaştırılmış ve daha iyi sonuçlar elde edilmiştir.
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | Makaleler |
Authors | |
Publication Date | April 27, 2024 |
Published in Issue | Year 2024 |
e-ISSN :1308-6529
Linking ISSN (ISSN-L): 1300-7688
Dergide yayımlanan tüm makalelere ücretiz olarak erişilebilinir ve Creative Commons CC BY-NC Atıf-GayriTicari lisansı ile açık erişime sunulur. Tüm yazarlar ve diğer dergi kullanıcıları bu durumu kabul etmiş sayılırlar. CC BY-NC lisansı hakkında detaylı bilgiye erişmek için tıklayınız.